|
知乎作为一个知识问答和分享的平台，每当有热点事件发生，上面都会有一些精辟言论，有助于我们快速了解事件的一些情况。我们想要研究华为鸿蒙发布以来的讨论热点，就选取从知乎上收集数据。 采集数据就用到了集搜客的快捷采集应用，这里会用到三个应用“知乎_关键词搜索结果列表_内容”、“知乎_独立问题所有回复采集”和“知乎_专栏文章详情”，下面介绍一下操作。 1.找到数据网址，用集搜客爬虫采集数据 首先要找出关于鸿蒙的问题，在知乎的综合版块上搜索“鸿蒙”，拷贝搜索网址 https://www.zhihu.com/search?type=content&q=%E5%8D%8E%E4%B8%BA%E9%B8%BF%E8%92%99 把网址添加到集搜客的快捷采集“知乎_关键词搜索结果列表_内容”，启动爬虫采集。
导出数据，采到的数据里不仅有问答类的，还有专栏文章，这两种网页结构不同，所以下一步，要分别对问题的每一个回答内容和专栏文章做采集。
从上表的“详情链接”列拷贝出带有question的问答网址，添加到快捷采集“知乎_独立问题所有回复采集”；再从“实际链接”列筛选出带有zhuanlan的专栏网址，添加到“知乎_专栏文章详情”，然后启动采集。
考虑到样本数据的完整性，我们会把问答类数据和专栏文章放一起分析。首先要把数据导出来，后面会把数据导入到集搜客的分词检索系统进行分词处理和分类，所以需要按照它要求的Excel表字段进行规整。 2.数据汇总 问答数据中，问题和回答是一对多的数据关系，需要把标题、回答用户、用户一句话介绍这3列合并到新的标题列里，再删掉原来的3列；专栏文章虽然不是一对多关系，但是也有这3列字段，所以要做同样的处理。
把问答数据和专栏文章的数据，拷贝汇总到一张新表里。按要求修改列名，再增加“序号”列，让数字自增填充，这一列会非常有用，可以用它来关联分词数据表和分类数据表；还要增加“网站来源”列，分别填“知乎问答”、“知乎专栏”加以区分。
3.数据过滤处理 下面是对数据进行过滤。把“发布时间”列用替换功能，整理成统一的时间格式；再过滤掉鸿蒙发布以前的数据。
“正文”的数据里有图片的一些代码，对分词可能会有影响，所以这里用替换功能把它过滤掉。
过滤了图片代码后，发现有些数据的“正文”是空的，所以还要筛选出这些数据然后删除。
最后是去重，选中几列，然后点“删除重复项”来过滤重复。经过以上的处理，最终汇总得到6208条数据。
|
